国内最大社区电商平台小红书，上线不到 5 年已经成长为全球最大的社区电商平台。最新数据表明，截止到 2018 年 6 月 6 日，全球有 1 亿年轻用户在小红书 APP 上分享吃穿玩乐买的生活方式。
在 11 月 17 日的首席增长官年会上，小红书增长技术负责人占雪亮在现场为我们分享了「精细化运营在小红书的实践」的演讲。上周推送的文章收获业界良好反响，经过与官方的细节补充调整后重新更新，增加了若干细节和数据。
大家下午好，很荣幸今天有机会和大家交流分享小红书内部的增长实践。
我的演讲 PPT 给的比较晚，大概是昨天早上 5 点钟才给到。因为我花了很长的时间在想分享什么好。
这次大会的主题是增长，我想如果讲理论知识，我肯定讲的不如张溪梦老师和范冰老师；如果讲产品知识，我也不是专业做产品的，没什么优势；如果讲数据，我也没有王晔王总理解的透彻。
所以我想了很久，最终决定讲一个小红书内部的例子。我想这个你们肯定都不清楚，也只能我来讲了。
今天我给大家分享的是「精细化运营在小红书的实践」，这里面最重要的两个字就是实践。而精细化运营和一些理论，我想你们肯定也听过。就像前面张溪梦老师讲的 AARRR ，估计今天 80% 的参会人员都知道这个模型。毕竟这是一个收费不低的大会，会过滤掉一部分门外汉。
前面几位老师的理论知识在现场的反响都很不错，我想今天这个会开完，不仅韩冰韩总的销量会长，范老师的书也会多一批购买者（笑）。
在开始分享之前，想先给大家介绍一下小红书，小红书是一个泛品类的生活方式分享平台。
截止到今年 6 月 6 日，我们的用户数过亿了，昨天我又拉了一下数据，现在是 1 亿 8 千万了，这个增长相对而言还是比较快的了。回想 2014 年年底、 2015 年年初我刚加入小红书的时候，当时小红书只有 20 人左右的规模，而现在我们用 1644 天完成了用户数过亿。
好，接下来我们进入分享的主题。这是两周前我们公司内部做的一次关于低龄用户留存差的数据分析。
刚刚很多嘉宾都讲到现在获客成本在不断的提高，在 AARRR 的模型里，当 A 越来越贵的时候，我们该如何保证最后的利润 R ？如何在利润 R 和越来越贵的A 之间寻找一个平衡点呢？
就比如说以前 1000 元可以拉来 100 个用户，留存率 10 %，结果有 10 个人留下来了；现在 1000 元只能拉来 50 个人了，如果还想留下 10个人，那怎么办？我们只能把我们的留存增加到 20 %，这样最终还是 10 个人留下来了。在流量越来越贵的今天，我们要更加重视留存问题。
我们的分析团队在研究不同用户群留存率的时候，发现来自信息流等渠道的用户留存率很低，他们有一个特性，就是低龄，大多是看一篇或者点过一篇笔记就走了，留存很差。
我们当时做了一个假设：觉得低龄用户可能还在上初中或者高中，而很多学校上课是不能带手机的，只能周末玩手机，所以可能低龄用户留存比较差。这个假设听起来很合理，也符合逻辑，但真实情况是不是这样呢？我们看看数据是怎么显示的。
我们提出来了三个分析的维度：
在此之前，我们内部对年龄段的划分是 18 岁以下算低龄，但我们觉得这个划分有点太笼统，因为 18 岁以下包含了小学生，初中生和高中生 3 个学龄，不同的学生阶段，我们觉得是差异比较大的，所以年龄维度本身需要更加细分。
第二、他们来小红书想要看到什么内容？能看到他们喜欢的内容吗？
每个用户对一个新产品，新平台都是有所期待的。当他们去下载了这个 APP 激活并注册的时候，总会希望在这个平台能找到对自己有价值的东西。如果没找到，那用户流失的概率就很高了。
第三、他们的 Feed 流推得是他们想看的内容吗？
小红书产品的首页是我们的推荐系统生成的双列笔记 Feed 流，新用户注册的时候会选择一些自己的兴趣点，然后我们根据用户选择的兴趣点，给用户推荐相关主题的笔记。 推荐是否准确，直接影响用户的体验。举个最简单的例子，我挑选兴趣的时候选了健身，结果你给我推荐了个旅行，那跟我的预期就会差很远，用户会觉得这个平台没有我想看的信息，自然就会离开。
我觉得一定是这三个问题里的一个导致留存差。接下来我们分别来看看针对这三个维度的具体分析。
第一个维度是不同低龄用户表现是否有所差异，我们拉了一张表「不同年龄段用户的留存分布」，我们将 18 岁以下的用户按学龄重新划分为三类： 12 岁及以下的小学生、 13 – 15 岁的初中生、 16 – 18 岁的高中生，同时，我们看了下这三类用户的次日留存和周末留存。
因此我们得出了两点结论：
我们又拉了第二个表格，是「不同年龄段拉新渠道分布」，做这个分析的原因很简单，很多低龄用户都是我们花了很多钱买进来的，如果留不住那就是在浪费钱，投放部门可以针对低龄用户特别多的渠道做一些优化，比如增加针对年龄的定向。
从数据中我们发现，百度 SEM 和广点通的信息流是低龄用户拉新特别多的渠道，占比甚至超过了 6 成，因此在百度 SEM 和信息流的投放上要设定更严格的年龄定向。暂时不要再给小学生初中生推广告了，因为目前他们来了也留不下来了。
第二个问题是这些低龄用户看到广告后过来了，他们过来是想看什么？
解决这个问题有两种方法：
这个表格一出来，我们基本就能知道每个阶段的人关心的是什么了。我们发现 15 岁以下的用户主要搜索简笔画、动漫、头像、还有很多明星；16 岁就开始关注穿搭护肤减肥了；19 岁就增加了彩妆。
这个数据其实也是很符合用户使用场景的。小学生初中生在学校里也不能化妆，大多也都是穿校服，所以会搜索动漫，壁纸这类东西。
我们甚至发现，很多低龄的用户来小红书就是为了下载壁纸和精美的图片当头像的， 就这种需求，作为我这种中年人，如果不看数据的话，可能永远都不会知道。
而初中生长到 16 岁上了高中了，就会慢慢开始注意穿衣打扮，也会画一些淡妆。等再年长一点，结婚了就会关心结婚，食谱，装修等等。
好，我们现在已经知道我们的低龄用户来小红书是想看什么的了，那他们有没有在这里看到他们想看的内容呢？用什么指标来衡量这个信息呢？做过搜索的同学都知道，搜索点击率是最直白的方式，用户有没有点击搜索结果，当然最大程度上代表了对搜索出来的内容的满意度。
因此，我们又拉了两个表：「无点击超过 40 %的高频搜索词」和「无点击低于 20 %的高频搜索词」。
从这两张表里我们发现：
我们对这个结果还蛮意外的，低龄的用户来小红书想看关于明星的什么内容呢？难道是想看八卦传闻？还是寻找粉丝团？这些的确是我们没有的内容，小红书提供给用户的是明星工作之外的一些更关于明星自身真实的信息，比如在工作外他们用什么化妆品，喜欢吃什么零食等等，但看起来这些东西未必是现在年轻小朋友想看的。
前面的两个问题让我们了解了低龄用户对什么感兴趣、搜索什么以及小红书在哪些内容上不能满足他们。第三个问题想了解的是，当他们在 Feed 流上被动接受信息时，这些内容是不是他们想看的？
第一个是「用户兴趣特征」分布表，玩过小红书的同学都知道，新注册的用户刚进 APP 时，系统会让你选择一些感兴趣的标签作为你的启动数据。刚开始我们给你推送的内容，都是基于这些你选的兴趣标签。
那我们想看一下， 13 – 15 岁的用户选择是什么？ 30 岁的用户选的是什么？从这张表中很明显发现不同年龄段的用户，在标签选择上有这么几个不同：
我们知道了我们的年轻用户选了什么标签，那我们该如何衡量推荐给年轻用户这些内容是不是他们关心的呢？我们通过两个维度来衡量：内容丰满度和分发匹配度。
内容丰满度是指当用户选了感兴趣的标签，那能不能看到足够的这个品类的笔记。我们发现最多人选的「时尚穿搭」，笔记曝光也最多，这就是合理的；但音乐，游戏等品类，选的人也挺多，但曝光却很少，这说明在音乐这个品类上用户看不到足够他喜欢的内容。
第三个表我们叫分发匹配度，我选了我们平台上一些内容比较多的品类，用热力图的方式展示出来，接下来我会从曝光分布和喜好分布两个维度来对分析。
所谓的曝光发布，就比如说穿搭这个品类，平台分发曝光的内容，在 13 – 15 岁、 19 – 23 岁、 34 岁以上用户的曝光是差不多的。
而喜好分布，就是用户对平台分发曝光出去内容的喜好程度。衡量用户喜欢程度的标准就是，用户有没有点赞、有没有评论、有没有收藏。
这个数字就很明显，同样是穿搭品类，在分发曝光上是没有太大区别的，但用户喜好程度分别很大。如果热力图中每一块的颜色对比很明显，那就说明分发机制有问题。
这个数据给我们一些启发：
这其实也论证了我们在流量分配的时候就需要做精细化运营。
A：真正留存低的是 15 岁以下的初中生和小学生，且这些用户大多数是通过 SEM 和信息流购买来的用户，市场部门在投放侧需要更精准的定位年龄信息。
Q：他们来小红书想要看到什么内容？能看到他们喜欢看的内容吗？
A：
这是一个很简单的案例，这样从各种维度做数据分析的案例我们每周都会发生几次。
今天因为时间有限，分享的也不是很完整。其实我们还可以从用户的角度去分析，比如说用户用的是 iOS 还是安卓？如果是安卓，那是 OPPO 、 VIVO 、华为、小米？如果是这些，可以看是高端机还是低端机？
我们可以切换不同角度来做数据分析。而这些数据分析，就可以用来指导企业的下一步的行为，具体到是调整还是落地。
下面我简单介绍下在小红书，我们常用的数据分析维度。
我们在小红书里面会用到两个工具，第一个叫数据平台。数据驱动增长，这句话已经说过很多次了，那怎么样才能真正的驱动增长？那就是从数据中看到问题找到方向。
小红书对所有的产品经理都一视同仁，入职就送一本教你怎么写 SQL 的书，跑数据的平台也给你，大家自己动手丰衣足食。
第二个是实验平台，这其实也是王晔王总前面讲到的内容，这是小红书内部的实验平台。做实验是一种意识。
我给大家讲个很久之前的事，关于手机 APP 引导用户上传头像的那个头像框的事情。
当时做这个功能的工程师把自己的微信头像贴上去，后面大家在分析上传头像的用户比例不高时，开玩笑说是不是那个工程师的头像太难看了，然后大家为了证明是不是这样，就做了个实验。
我们把所有参与这个功能开发的所有工程师、 PM 、数据分析师的头像分别上传上去测试了一遍，看看谁的头像做用户引导会提升上传头像的比例。
这个故事也是个小事情。但其实在小红书内部是有这样一种文化的，所有的问题在没拿到数据之前没有人知道对错，那就做个实验呗。
